Comité Nacional CLIVAR-España
CLIVAR-España
Acrónimo Predictia
Nombre de grupo Departamento de I+D
Institución o Centro Predictia Intelligent Data Solutions S.L.
Sitio web https://predictia.es
Coordinadores de grupo
Investigadores
Descripción Predictia es una empresa que surge en 2008 como una spin-off del grupo de investigación de meteorología y minería de datos de la Universidad de Cantabria (UC). Se trata de una compañía especializada en el desarrollo de servicios climáticos a medida, para lo que emplean modelos físicos y técnicas de inteligencia artificial. Predictia presta servicios a administraciones públicas y empresas privadas. Entre sus clientes se encuentran el Servicio de Cambio Climático de Copernicus, el IPCC, la Agencia Internacional de la Energía, la Agencia Espacial Europea, la FAO o Iberdrola. La empresa cuenta con un equipo multidisciplinar compuesto por físicos, matemáticos e ingenieros de software. Su departamento de Investigación y Desarrollo está integrado además por especialistas en oceanografía, meteorología, quienes participan en la actualidad en tres proyectos de investigación financiados por el programa Horizonte Europa y otros proyectos de ámbito nacional e internacional.
Proyectos destacados
  • Desarrollo técnico del Atlas Interactivo del Grupo de Trabajo I del Sexto Informe de Evaluación del IPCC. Daniel San Martín. 2019-2021.
  • CJS2_211 Copernicus Data Stores modernisation. Daniel San Martín. 2022-2023.
  • European Climate Risk Assessment (European Environment Agency). Daniel San Martín. 2023-2024.
  • European Eddy-Rich Earth System Models (EERIE). Horizon Europe Grant agreement #101081383. Markel García. 2023-2026.
  • Climate Monitoring and Decision Support Framework for Sand Fly-borne Diseases Detection and Mitigation with COst-benefit and Climate-policy MeasureS (CLIMOS). Horizon Europe Grant agreement #101057690. Daniel San Martín. 2022-2025.
Publicaciones destacadas
  • San-Martín, D., et al., (2017) Reassessing Model Uncertainty for Regional Projections of Precipitation with an Ensemble of Statistical Downscaling Methods. J. Climate, 30, 203–223, (https://doi.org/10.1175/JCLI-D-16-0366.1)
  • García-Díez, M., et al., (2015) Assessing and Improving the Local Added Value of WRF for Wind Downscaling. J. Appl. Meteor. Climatol., 54, 1556–1568, (https://doi.org/10.1175/JAMC-D-14-0150.1)
  • Iturbide, M. et al., (2022) Implementation of FAIR principles in the IPCC: the WGI AR6 Atlas repository. Sci Data 9, 629. (https://doi.org/10.1038/s41597-022-01739-y)
  • Gutiérrez, J. M., et al., (2013) Reassessing Statistical Downscaling Techniques for Their Robust Application under Climate Change Conditions. J. Climate, 26, 171–188, (https://doi.org/10.1175/JCLI-D-11-00687.1)
  • Lacagnina, C., et al. (2022). Quality Management Framework for Climate Datasets. Data Science Journal, vol. 21, 2022, núm. 1. (http://dx.doi.org/10.5334/dsj-2022-010)
  • Sáenz de la Torre, J. J. et al., (2021) Climadjust: easing the Bias Adjustment process through a user-friendly web service. EGU General Assembly 2021, online, 19–30 Apr 2021, EGU21-10674, (https://doi.org/10.5194/egusphere-egu21-10674)
  • Bedia, J., et al., (2019) The METACLIP semantic provenance framework for climate products, Environmental Modelling & Software, Volume 119, 2019, 445-457, ISSN 1364-8152, (https://doi.org/10.1016/j.envsoft.2019.07.005)
  • Terrado, M., et al., (2019) The Weather Roulette: A Game to Communicate the Usefulness of Probabilistic Climate Predictions. Bull. Amer. Meteor. Soc., 100, 1909–1921, (https://doi.org/10.1175/BAMS-D-18-0214.1)
  • Iturbide, M., et al., (2019) The R-based climate4R open framework for reproducible climate data access and post-processing, Environmental Modelling & Software, Volume 111, 2019, Pages 42-54, ISSN 1364-8152, (https://doi.org/10.1016/j.envsoft.2018.09.009)
  • Gutiérrez, J. M., et al., (2019) An intercomparison of a large ensemble of statistical downscaling methods over Europe: Results from the VALUE perfect predictor cross-validation experiment. Int. J. Climatol. 2019: 39: 3750–3785. (https://doi.org/10.1002/joc.5462)
Colaboraciones nacionales
  • Instituto de Física de Cantabria
  • Barcelona Supercomputing Center
  • Instituto de Hidráulica Ambiental de Cantabria
Colaboraciones internacionales
  • Food and Agriculture Organization of the United Nations (FAO)
  • Intergovernmental Panel on Climate Change (IPCC)
  • International Energy Agency (IEA)